如何在Python中实现RFM分析
来源:互联网 发布:项目进度跟踪软件 编辑:程序博客网 时间:2024/06/02 02:04
RFM分析
RFM分析是根据客户活跃程度和交易金额贡献,进行客户价值细分的一种方法;
可以通过R,F,M三个维度,将客户划分为8种类型。
RFM分析过程
1.计算RFM各项分值
R_S,距离当前日期越近,得分越高,最高5分,最低1分
F_S,交易频率越高,得分越高,最高5分,最低1分
M_S,交易金额越高,得分越高,最高5分,最低1分
2.归总RFM分值
RFM=100*R_S+10*F_S+1*M_S
3.根据RFM分值对客户分类
RFM分析前提,满足以下三个假设,这三个假设也是符合逻辑的
1.最近有过交易行为的客户,再次发生交易的可能性要高于最近买有交易行为的客户;
2.交易频率较高的客户比交易频率较低的客户,更有可能再次发生交易行为;
3.过去所有交易总金额较多的客户,比交易总金额较少的客户,更有消费积极性。
我们了解了RFM的分析原理后,下面来看看如何在Python中用代码实现:
import numpyimport pandasdata = pandas.read_csv( 'D:\\PDA\\5.7\\data.csv')data['DealDateTime'] = pandas.to_datetime( data.DealDateTime, format='%Y/%m/%d')data['DateDiff'] = pandas.to_datetime( 'today') - data['DealDateTime']data['DateDiff'] = data['DateDiff'].dt.daysR_Agg = data.groupby( by=['CustomerID'])['DateDiff'].agg({ 'RecencyAgg': numpy.min})F_Agg = data.groupby( by=['CustomerID'])['OrderID'].agg({ 'FrequencyAgg': numpy.size})M_Agg = data.groupby( by=['CustomerID'])['Sales'].agg({ 'MonetaryAgg': numpy.sum})aggData = R_Agg.join(F_Agg).join(M_Agg)bins = aggData.RecencyAgg.quantile( q=[0, 0.2, 0.4, 0.6, 0.8, 1], interpolation='nearest')bins[0] = 0labels = [5, 4, 3, 2, 1]R_S = pandas.cut( aggData.RecencyAgg, bins, labels=labels)bins = aggData.FrequencyAgg.quantile( q=[0, 0.2, 0.4, 0.6, 0.8, 1], interpolation='nearest')bins[0] = 0;labels = [1, 2, 3, 4, 5];F_S = pandas.cut( aggData.FrequencyAgg, bins, labels=labels)bins = aggData.MonetaryAgg.quantile( q=[0, 0.2, 0.4, 0.6, 0.8, 1], interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5]M_S = pandas.cut( aggData.MonetaryAgg, bins, labels=labels)aggData['R_S']=R_SaggData['F_S']=F_SaggData['M_S']=M_SaggData['RFM'] = 100*R_S.astype(int) + 10*F_S.astype(int) + 1*M_S.astype(int)bins = aggData.RFM.quantile( q=[ 0, 0.125, 0.25, 0.375, 0.5, 0.625, 0.75, 0.875, 1 ], interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5, 6, 7, 8]aggData['level'] = pandas.cut( aggData.RFM, bins, labels=labels)aggData = aggData.reset_index()aggData.sort( ['level', 'RFM'], ascending=[1, 1])aggData.groupby( by=['level'])['CustomerID'].agg({ 'size':numpy.size})
阅读全文
0 0
- 如何在Python中实现RFM分析
- 如何在Python中实现RFM分析
- 如何在Python中实现矩阵分析
- RFM分析模型
- RFM模型分析
- 使用K-means分析RFM
- R 语言 RFM 模型实现
- 如何在Python中实现这五类强大的概率分布
- 如何在Python中实现这五类强大的概率分布
- 如何在Python中实现这五类强大的概率分布
- 如何在Anaconda中实现多版本python Spyder共存
- 如何在Python中实现这五类强大的概率分布
- RFM模型分析与客户细分
- 某电信公司客户RFM模型分析
- 利用RFM模型做电商客户价值分析
- 利用RFM模型做电商客户价值分析
- RFM模型及R语言实现
- RFM模型及R语言实现
- Github简单教程
- java判断某一字符串是否包含另一个字符串
- 逆置、翻转链表/查找单链表的倒数第k个节点/A+B不使用四则运算++ -- 等
- 用eclipse打开一个文件,左边的树怎么自动对应文件
- TestLink学习一:Windows搭建Apache+MySQL+PHP环境
- 如何在Python中实现RFM分析
- 统计学习笔记九----EM算法
- Java Socket小案例(2) 上传文本
- JMS基本概念简介
- AndroidThing学习之路(一)
- URG和PSH
- python 文件系统
- Web前端 基础知识总结(Javascript篇)
- JavaScript-数组